Python

[Python] 01. pytesseract 驗證碼自動識別

 · 4 mins read

[10.31更新] 在爬某間公司的驗證碼發現，爬 html 中的圖片的 url，另開顯示的是＂Access Denied＂字樣，不同於之前爬蟲的平台是顯示驗證碼圖片本人啊！其原因是他的驗證碼是使用動態產生，後來研究之後解決方式是使用打 api 的方式，必須帶 cookie，回應的就會是驗證碼圖片了。（詳細教學在爬蟲篇在說明）

[前言碎念] 最進公司系統新增了登入驗證碼了功能，有了這個功能在自動化測試上就一定要破解它了！

此篇主要針對驗證碼辨識，如登入的驗證碼，為了防止被破解一般會增加噪點，干擾線，變形等方式，這些就是我們現在要解決的。



win7 開發環境 1

  • Python3.5

  • PIL

  • pytesseract

      $ sudo pip install pytesseract

  • tesseract-ocr

      下载安装：http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.00dev.exe 
  環境變數： path | C:\Program Files (x86)\Tesseract-OCR #安裝路徑
              TESSDATA_PREFIX | C:\Program Files (x86)\Tesseract-OCR\tessdata
  $ tesseract --version #查看版本



Tesseract-OCR 介紹 1

由 Google 維護的開源 OCR（Optical Character Recognition，光學字符識別）。



程式範例

  • 識別下面這個驗證碼： ​

  • 編寫代碼

      import pytesseract
  from PIL import Image
    
  image = Image.open("code.png")
  code = pytesseract.image_to_string(image)
  print(code)

  • 這邊僅便是單純無變型，無干擾的驗證碼，一般來說辨識成功機率高。



基本流程 1 2

針對圖片的噪點，干擾線，變形做圖片處理辨識。

對於字符型驗證碼的識別流程如下：

  1. 原始圖片
  2. 圖片預處理
    • 2.1 讀取原始圖片素材
    • 2.2 二值化為黑白圖片
    • 2.3 去除背景干擾線
  3. 新增辨識白名單
  4. 進行辨識



1. 原始圖片

  • 有利識別的特點 ：
    • 由純阿拉伯數字組成。
    • 字數為 4 位。
    • 字體是用的統一字體。
  • 不利識別的特點 ：
    • 圖片背景有乾擾線。



2. 圖片預處理

此階段處理項目有：

  1. 讀取原始圖片素材。
  2. 二值化為黑白圖片。
  3. 去除背景干擾線。



2.1 讀取原始圖片素材

    img = Image.open("test.png").convert("L")



2.2 灰度處理二值化

  • 將原本為灰階的圖片轉為黑白的。

      def binarizing(img,threshold): #input: gray image
      pixdata = img.load()
      w, h = img.size
      for y in range(h):
          for x in range(w):
              if pixdata[x, y] < threshold:
                  pixdata[x, y] = 0
              else:
                  pixdata[x, y] = 255
      return img



2.3 去除背景干擾線　

  • 利用了點降噪和線降噪：一般噪點像素和周圍像素差別較大，使用遍歷像素，就是檢測這個點相鄰的四個點，判定這四個點中是白點的個數，假如有兩個以上的白色像素點，那麼就認為這個點是白色的，從而去除整個滋擾線。

      def depoint(img):   #input: gray image
      pixdata = img.load()
      w,h = img.size
      for y in range(1,h-1):
          for x in range(1,w-1):
              count = 0
              if pixdata[x,y-1] > 245:
                  count = count + 1
              if pixdata[x,y+1] > 245:
                  count = count + 1
              if pixdata[x-1,y] > 245:
                  count = count + 1
              if pixdata[x+1,y] > 245:
                  count = count + 1
              if count > 2:
                  pixdata[x,y] = 255
      #return img
      img.save("test.png","png")

  • 處理過後的圖片，可看到已經處理掉大部分的噪點了：



3. 新增辨識白名單

因為驗證碼只有數字，可以新增內容為 0123456789 的白名單。

  • 打開 tesseract 安裝目錄，進入 tessdata/configs/
  • 將 digits 複製一份，改名為：sfz

  • 打開文件 sfz 編輯內容，在 tessedit_char_whitelist 後面跟隨要識別的字符，如：

      tessedit_char_whitelist 0123456789X



4. 執行辨識

  • 加上參數 config 設定為 ‘-psm 7 sfz’

      import pytesseract
  from PIL import Image
    
  image = Image.open("../pic/c.png")
  card_no = tess.image_to_string(cardImage,config='-psm 7 sfz')
  print(card_no)



結論

那麼如果是以下這種驗證碼，需要key上前位加後位的總和去驗證，分析驗證碼的規則是＂＿+＿＂，不一定數字還文字在前，白名單則可新增1~0 & 壹~零，經過辨識之後取得文字之後在進行加法並輸入。

以上使用 pytesseract 的辨識僅是透過像素點分析來達到辨識的效過，其結果非百分之百，甚至只有 60%，後續加上在進行驗證碼數字的分割，來進行機器學習，將在之後發表機器學習部分在進行說明。



ref：

  • https://blog.csdn.net/a349458532/article/details/51490291
  • https://segmentfault.com/a/1190000014091417
  • https://uhomework.com/a/Pythonjiaocheng/20171120/8558.html
  • https://www.jianshu.com/p/41127bf90ca9
  • https://my.oschina.net/u/2396236/blog/1621590
  • https://www.itread01.com/articles/1476089156.html